基于动态模态分解的Fisher-Kolmogorov肿瘤生长模型数据驱动仿真
生物物理
2022-03-01 v1 定量方法
摘要
通过常规收集的临床和影像数据对癌症的器官尺度生物力学模型进行个性化计算机仿真,能够针对患者受累器官的解剖结构获得肿瘤生长和治疗反应的特异性预测。这些患者特异性计算预测被视为一种有前景的方法,可用于癌症临床管理的个性化并为个体患者推导最优治疗方案,而这构成了临床肿瘤学中及时且关键的需求。然而,底层时空模型的计算机仿真可能带来 prohibitive 的计算成本,这构成了开发用于个性化肿瘤预测的临床可操作计算技术的障碍。为解决此问题,本文提出利用动态模态分解(DMD)构建癌症模型的低维表示并加速其仿真。DMD是一种基于奇异值分解的无监督机器学习方法,已在许多应用中作为预测和诊断工具被证明有用。我们展示了DMD可应用于Fisher-Kolmogorov模型,该模型是表征未经治疗实体瘤生长并已确立的公式,且可进一步容纳其他相关癌症现象。我们的结果表明,该模型在临床相关参数空间上的DMD实现可产生令人印象深刻的预测,尽管训练周期极短,短期至中期误差保持在1%以下,长期误差保持在20%以下。我们认为这种数据驱动方法有可能大幅降低癌症模型个性化仿真的计算开销,从而促进肿瘤预测、参数辨识、不确定性量化和治疗优化。
引用
@article{arxiv.2202.13860,
title = {Data-driven simulation of Fisher-Kolmogorov tumor growth models using Dynamic Mode Decomposition},
author = {Alex Viguerie and Malú Grave and Gabriel F. Barros and Guillermo Lorenzo and Alessandro Reali and Alvaro L. G. A. Coutinho},
journal= {arXiv preprint arXiv:2202.13860},
year = {2022}
}